Metodología para el monitoreo de cultivos a partir de imágenes satelitales con Machine Learning

El desarrollo de esta metodología permitió la integración de los procesos de teledetección, análisis, clasificación e implementación de algoritmos de aprendizaje automático cómo Random Forest(RF) y Máquinas de soporte vectorial (SVM) a infraestructuras que toleran procesamiento sobre big data cómo el Open Data Cube (ODC). Esta metodología integra la creación de un modelo que permite clasificar 11 clases de cobertura terrestre y el cultivo del arroz (Orytza sativa) en 4 etapas fenológicas. Además contempla la infraestructura del ODC para el procesamiento masivo enfocado en análisis de series de tiempo. A partir de la construcción del conjunto de datos se implementan los modelos de aprendizaje con los algoritmos de RF y SVM presentando grandes resultados en sus procesos de clasificación. Se obtiene como resultado del algoritmo SVM una media de 82% de precisión para todas la clases y con RF se obtuvo un 98% de exactitud promedio de las mismas. La integración de estos modelos en el \textit{ODC} permitió la clasificación de múltiples series de tiempo y el impacto en la eficiencia de estos algoritmos se vio determinado por el modelo creado a través del algoritmo RF, clasificando escenas tiempos menores a los 20 Segundos. Esta metodología optimiza los tiempos en procesamiento y validación en campo disminuyendo los costos operativos en los que incurren estas actividades

• Autores: Pardo Fuquen, Carolina
• Fecha de publicación: 2020
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/48663
• Acceso en línea: http://hdl.handle.net/1992/48663
• Palabra clave: Imágenes de detección a distancia; Aprendizaje automático (Inteligencia artificial); Agricultura; Sensores remotos; Ingeniería
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/